教程题目:Knowledge-based Sequential Decision-Making under Uncertainty

教程简介

在本教程中,重点讨论用于推理和学习的声明性表示和概率表示的交集。在概率顺序决策(SDM)和知识表示与推理(KRR)的声明性方法中都有重要的前期工作。并且强调这些方法的互补功能,结合这些功能的现有研究,并确定在不同应用领域设计和使用此类集成系统时存在的一些开放问题。然后重点讨论面向目标的SDM和声明性KRR之间的相互作用,并演示这种相互作用如何为解决各个研究领域的开放问题提供新的机会。利用自己在开发架构方面的专业知识,利用这些互补的功能,使机器人能够相互交互并与人类协作。目标是鼓励更多的研究人员在不同的应用领域探索概率SDM和声明式KRR方法的集成。因此,本教程将使这些领域和应用领域(如机器人、计算机视觉和自然语言处理)的研究人员感兴趣。

组织者:

张世琦,纽约州立大学宾厄姆顿分校计算机科学系助理教授。2014-2016年,他是德克萨斯大学奥斯汀分校的博士后研究员,2013年,他获得了德克萨斯理工大学的计算机科学博士学位。

Mohan Sridharan是英国伯明翰大学计算机科学学院的高级讲师。他在美国德克萨斯大学奥斯汀分校获得博士学位。他的研究兴趣包括知识表示和推理、机器学习、计算视觉和认知系统,并将其应用于人机协作。

成为VIP会员查看完整内容
11

相关内容

Mohan Sridharan是英国伯明翰大学计算机科学学院的高级讲师。他在美国德克萨斯大学奥斯汀分校获得博士学位。他的研究兴趣包括知识表示和推理、机器学习、计算视觉和认知系统,并将其应用于人机协作。
图数据表示学习综述论文
专知
51+阅读 · 2019年6月10日
TensorFlow 2.0深度强化学习指南
云栖社区
18+阅读 · 2019年2月1日
论文浅尝 | Interaction Embeddings for Prediction and Explanation
开放知识图谱
11+阅读 · 2019年2月1日
Knowledge Distillation from Internal Representations
Arxiv
4+阅读 · 2019年10月8日
Arxiv
6+阅读 · 2019年9月4日
Arxiv
12+阅读 · 2019年2月26日
Physical Primitive Decomposition
Arxiv
4+阅读 · 2018年9月13日
Arxiv
7+阅读 · 2018年3月17日
VIP会员
相关VIP内容
微信扫码咨询专知VIP会员